用户行为分析：如何用数据驱动增长

第 1 章　走进用户行为数据分析

 1.1　用户行为数据登场

 2019 年 10 月 25 日的北京金茂万丽酒店宴会厅，原本只能摆放 900 个座位的场地，被满满当当地排满了 1 000 个座位。还未开场，宴会厅里就已 经座无虚席，宴会厅后面有限的空间里也站满了人。正式开场后，组委会 索性打开了后门，让一部分晚来的人站在厅外观看会议全程。 

这已经是连续四年、第 10 场爆满的增长大会了。每年增长大会都会分 享一些新的经验方法，比如“增长黑客”“首席增长官”，还有今天已经被 从业者视为区分是否为增长小白的入门级概念—“AARRR 模型（又称海 盗模型）”。 无论是“AARRR 模型”，还是 2018 年更新后的代表着新留存增长的 “RARRA 模型”，这些在互联网发展中掀起了旋风的增长方式，本质都在强 调一件事情：对用户行为的洞察与分析。采集用户行为数据，几乎是所有 互联网企业做增长的“起手式”。 互联网企业其实一直都握着一个可以改变未来的秘密—“数据是下 一个时代的新能源”。他们一直坚信并且努力为能打出这张底牌持续构建着 牌局，或小心翼翼地探索，或疯狂地跑马圈地，最终目的都是为了获得更 多的数据资产，从而促使产生新的业务模式或竞争壁垒。用户行为数据作 为能驱动商业发展的数据类型之一，深受互联网企业的重视。大多数互联 网企业因为没有传统企业那样丰富的经营数据，用户线上行为数据便成为 他们能够获得的最有价值的数据。 真正让用户行为数据登上万众瞩目的商业舞台，并迅速向“C 位”（核 心位置）靠近的是传统企业的觉醒和入局。这些传统企业掌握着社会的绝 大部分商业资源，以及经年累月积累的海量数据资产，但一直苦于无法让

数据充分发挥商业价值。随着数字化转型的逐渐开展，用户行为数据正在 成为引爆这些数据资产的导火索。 

1.1.1　没有用户行为数据的困境

 2015 年夏天，最时髦的出租车司机会在方向盘左右架起三个手机支架， 分别接入滴滴、快的和易到。从早到晚，三个平台的订单此起彼伏，司机 乐此不疲地在三个平台上挑选补贴最“肥”的订单接单。一些精明的司机 悉心钻研，从而掌握了平台的补贴规律，并在最铁的“的哥”圈里分享， 成为新晋的意见领袖。 他们的眼睛在紧盯屏幕的同时，可能自己没有意识到，随着 App 上点 击的行为越来越多，路边打车人招手的行为却越来越少。用户行为正在发 生迁移，并在互联网上汇集成新的“流量”。他们想到了要多买两条充电 线，因为手机不能没电，同样电话卡上也不能没钱，因为没流量就接不到 订单了。但没想到，“流量”真的说没就没了。 后面的故事大家都知道了，打车平台启动了“顺风车”“快车”和“专 车”等新项目。他们将通过过往打车行为的数据已经被研究透彻的用户， 按照购买力、出行目的等特性分层，用不同的优惠券和权益将分层后的用 户分流到这些低、中、高档的新项目中，因此留给“出租车”项目的用户 大幅减少。当出租车司机从屏幕上抬起头，打算重新寻找路边“招手”的 打车人时，才发现原来“扫街”就可以获得的乘客，已经找不到了。而随 着新项目服务者的出现，过去出租车司机那些被乘客“隐忍”的小毛病， 比如车内偶有的异味、长时间的尬聊、油滑的拒载，都突显了自己和新项 目服务者的巨大差异。打车人的消费升级了，出租车的业务模式也面临更 替的挑战。 对打车人的用户行为数据分析确实使整个出行市场升级了，可惜受益 的并不是拥有最多出租车资源的出租车公司，因为出租车公司几乎没有类似出行平台这样的行业案例越来越多，比如通过“外卖小哥”服务 从餐饮商家获得用户餐饮消费行为数据的外卖平台，通过比价服务从航空 公司和酒店获得用户出行旅游数据的 OTA（Online Travel Agency，在线旅 行社）等。这些新兴互联网企业的不断涌现，加速了用户行为的数字化迁 移。这也逐渐惊醒了处于各行各业的传统企业，他们纷纷表示，不想像出 租车公司那样成为“俎上鱼肉”。他们于是纷纷开始打造自己的数字化平 台，希望能够直接面向终端消费者。

1.1.2　商业进化：一切向用户靠拢 

面向用户，重视用户行为，是由整个社会生产能力的升级决定的。当 我们的社会进入一个生产能力相对过剩、商品供应极大丰富的时代时，卖 方市场变为买方市场，弄懂消费者的所思所想成了商业竞争的核心战场。 用户行为数据，既是消费者心思的代言人，又是连接消费行为的关键。 我们所处的商业社会，正在快速经历三种品牌形态的更替变化（见图 1-1）：旧品牌、平台品牌、新品牌。而旧品牌在一定程度上是大多数传统 企业模式的缩影。 

图 1-1　商业进化历程中品牌的三种形态

 1. 旧品牌：原料 - 制造 - 销售 明确的分工是旧品牌显著的产业特点。原材料提供者专注于资源环节， 制造商专注于生产产品，渠道商专注于各级分销代理。精细化分工极大地 提升了各个环节的生产效率，实现了生产效能最大化。

然而，区隔明显的分工在为产业链的各个价值增值点铸造了壁垒的 同时，也阻断了数据的流通。原材料提供者不知道终端市场的波动，制造 商不理解用户的需求，分销商无法选择适合市场的原料和工艺。信息的 层层断点，导致旧品牌在适应市场和赢得用户青睐方面行动迟缓，濒临 淘汰。

2. 平台品牌：掌控用户数据 

率先变革的是渠道环节。平台品牌因为能够连接更多的消费者，逐渐 代替传统渠道而成为“巨无霸”，并且绑定各类旧品牌使其无法脱离。过去 20 年我国在搜索引擎、电子商务、社交媒体等方面的互联网基础建设，让 各家互联网巨头已经成为用户行为数据的掌控者。 现在，外卖平台点餐用户的姓名、联系方式等都以虚拟加密的形式发 送至骑手和商家手中，只有外卖平台自己才拥有用户的全部信息。几大电 商平台能够导出给品牌商的数据也只剩下订单基础信息，品牌商想得到用 户在平台上的数据，哪怕是用户在自家店铺的浏览和加购行为的数据也是 不可能的。有些平台，甚至连消费者的联系信息也不传给企业。 平台这种加密形式虽然有助于保障用户隐私，但也使品牌商无法在自 己的交易中了解用户构成、分布及真实需求。久而久之，品牌与用户的连 接能力变弱，利用数据驱动自身业务发展的机会随之消失。而平台则通过 连接庞大的供需方，掌握了海量的用户数据，能全面地洞察用户，逐渐在 与品牌商的博弈中成为游戏规则的制定者。 3. 新品牌：直连用户 新品牌重视直连用户，也就是我们常说的 DTC（Direct To Consumer， 直接面对消费者）。与旧品牌不同的是，新品牌以消费者的需求为牵引力， 将产业链上各个环节整合在自己手中，数据前后打通，从前到后牵动整个 产业链条联动调整（见图 1-2）。

图 1-2　新品牌与旧品牌的区别 

新品牌与平台电商也保持着若即若离的关系，他们往往善于使用各类 平台曝光自己的品牌，完成与粉丝的互动，再利用各种方式，将流量汇集 到自己手里。而最重要的一对一沟通和交易环节的数据，新品牌则一定保 留在自己完全可控的私域之中。 在国外，健康睡眠智能床垫品牌 Casper、主打世界上最舒服鞋的品牌 Allbirds、美妆品牌 Glossier、眼镜品牌 Warby Parker 等众多 DTC 品牌都已 经成为估值超过 10 亿美元的独角兽。 

在国内，也有不少 DTC 模式的先行者，如彩妆品牌完美日记、护肤品 牌 HFP（HomeFacialPro）、洗护品牌植观等。其中，完美日记母公司逸仙 电商成立不到四年，即成功在纽交所 IPO（首次公开募股，时间：2020 年 11 月 19 日），首日涨幅即超 75%，总市值已达 122 亿美元。据市场公开数 据显示，逸仙电商 2019 年的销售总额高达 35 亿元，同比增长 363.7% ！ 我们有幸参与了一些传统品牌直连消费者的转型进程，下面列举三家 企业的转变：

 首先，有一家知名的面向年轻人群的韩国美妆品牌，它们基于自己线 下几百名导购员形成的用户网络，构建私域流量池，我们用小程序帮助它 们完成与顾客的交流、互动与交易。短短 10 个月，从私域线上零成交，发 展到年销售 4 亿元，这样的速度，羡煞了一众欧美 / 日系美妆大牌。这些 大牌于是纷纷投重金，打造小程序，但销量却不见起色。这里的差别在于， 欧美 / 日系大牌还是沿用传统品牌的传播思维，将小程序当作广告创意来设计，注重调性的美轮美奂，却不太重视用户的使用体验。而这家韩国美妆 品牌的小程序设计不是基于品牌市场总监的审美打造的，而是将这个小程 序交给一线的几百个导购员，帮助导购员向到店的顾客发送最新产品信息 和使用日记，并增加他们与顾客的互动机会。通过数据采集，收集被导购 员使用最多、让顾客留存最好的功能，监测裂变传播链路，帮助导购员找 到愿意分享且有影响力的消费达人，为导购员构建一个个清晰的用户画像， 激发他们不断尝试拓展数字化沟通的可能。基于对导购员行为和消费者行 为数据的不断分析，开发团队每周更新，迭代了几十个版本，最终收获了 惊喜的成功。这是一个用户行为数据助力小程序和私域运营的很好的实践。

其次，有一家国内知名的茶饮品牌，它早已成为网红打卡“圣地”，在 各大平台收获无数粉丝。但随着时间推移，该品牌发现，这些平台看似热 闹，但背后更多的是对群体的影响，该品牌几乎没有办法和单独的用户互 动，也就无法将这些用户转化成直接的商业价值。2019 年，该品牌决定重 构自己与用户沟通的形式。用了一年的时间，它们构建了与用户直接沟通 的平台，借助原有的品牌影响力，将 1 500 万名粉丝拉入这个可以直接连接 用户的自有数字平台。过去的信息资讯互动，变成生日特权、品牌日特惠、 新品优享等为每一个用户量身定做的消费权益，直接刺激了用户的消费行 为。通过监测它们的线上行为数据，该品牌不断调优会员权益，又通过推 出月度、季度、年度付费会员的模式，遴选出用户忠诚度金字塔，实现了 对各层级用户的深耕，品牌的“护城河”也越来越深！ 

最后，还有一家国内销量最高的奶粉企业，它们在探索线上自有电商 三年之后发现，相比上百亿元的线下和传统渠道销售，自有线上平台的销 量虽然每年翻倍，但仍然只占整体业务量的零头。过于关注订单达成，使 得它们对于用户的了解并没有加深，还增加了线上自有渠道与其他渠道的 冲突。之后，它们大胆地将线上自有平台改为会员服务平台，重新定位了 自有平台与各大渠道的关系，将其定位于通过妈妈知识课堂、活动互动等 方式促进用户互动的会员运营平台。为了与其他渠道更好地协同，它们在原有以交易获得积分的会员体系基础上，增加了以用户线上互动行为赚取 成长值的第二积分体系，并巧妙地设计了双重积分互相促进升级的双轮驱 动模式，不断发掘和打造“超级用户”。事实上，所谓“超级用户”，就是 既有重度消费行为，又有重度互动行为的消费者，他们不但自己能够为品 牌贡献超高的消费额度，还能够影响周边的人带来新客。这些超级用户的 价值平均达到一般消费者的 7~8 倍。 DTC 模式让新品牌能够直接与用户互动沟通，将用户数据掌握在企业 手中。这也就意味着，新品牌更擅长用数据进化自己的商业模式，能够真 正做到以用户为中心，满足用户多样化、个性化、品质化的产品和服务需 求。这也是 DTC 模式能让新品牌在短时间内业绩实现高速增长，越来越受 到传统大型品牌零售企业重视的原因。

 从旧品牌到平台品牌，再从平台品牌到新品牌，这三者间的本质差异 其实是掌握用户数据量级和精度的差异。企业掌握的用户数据量级和精度 越高，所在的商业环境越透明，制定商业决策的维度也就越高，胜出的可 能性也就越大。 我们在服务客户的过程中也发现，越来越多的企业开始在平台电商之 外开辟“自建平台”这一新战线，尝试逐渐降低对平台电商的依赖，通过 构建私域流量池将用户数据掌握在自己的手中。大量流量开始从公域被引 至私域，再由自建商城、导购员个人号等触点实现沟通与转化。不得不说， 这和平台电商逐渐收紧对外输出用户行为数据有直接关系，争抢用户行为 数据的竞争愈演愈烈。 

1.2　什么是用户行为数据 

1.2.1　狭义的用户行为数据 

那么，到底什么是用户行为数据呢？在商业经营中，企业与用户相关的 三种核心数据包括用户属性数据、用户行为数据和用户交易数据（见图 1-3）。

图 1-3　商业经营中的用户数据分类 

用户属性数据是指描绘用户特征的数据，根据人口统计学特征，可以 从静态、动态及未来发展趋势三个方面观察用户，包含性别、年龄、职业、 民族等统计变量。例如，与静态相关的身高、体重、头发颜色等；与动态 相关的健康状态、受教育程度、生活所在地等；与未来发展趋势相关的做 什么工作、是否结婚、有无子女等都是用户属性数据。这些数据企业在努 力收集，但效果十分有限。举例，很多企业都希望通过填报会员卡收集用 户的基本信息，比如生日、联系方式等，但用户出于数据隐私考虑或者是 根本没有耐心仔细填报等原因，最终传递至企业手中的数据往往非常单薄， 而且准确率较低。 用户行为数据是指用户在商业互动过程中产生的动作数据，即用户做 了什么事情。例如，用户走进线下门店，浏览货架，拿起商品又放下，挑 选物品放入购物篮，这是用户行为；用户在线上商城浏览商品，参阅评论， 加入购物车，这也是用户行为；用户参加活动，关注文章，参与抽奖，评 论转发，这都是用户行为。对于用户行为数据，很多企业是没有特别采集、 识别和保存的。就像门店里的摄像头，记录了门店每天发生的各种行为， 但是企业基本没有识别与分析的能力，这些数据因为受存储空间限制也不 会保留很长时间。 用户交易数据是指用户完成支付动作后产生的相关数据。例如，订单 金额、订单数量、订单类型、促销折扣、物流信息、退换货结果等。用户 交易数据经常被存储在订单或财务系统等数据库中，是企业普遍能够拿到 的较全面的数据。

对于很多企业来说，即使自己能够收集到上述三种用户数据，但这些 数据被存储在不同的数据库中，往往不能互相融合。究其根本原因在于， 这三类数据经常是由会员信息管理、订单交付管理和门店经营管理三个不 同的团队来处理的。很少有企业会从统一的用户视角来整合所有的信息， 即真正“以用户为中心”来设计自身业务和经营管理逻辑。不能融合的数 据自然难以发挥应有的巨大价值。 如何转变意识克服以上的问题，就需要引入用户行为数据的广义理解。 

1.2.2　广义的用户行为数据

 如果从广义上探讨用户行为数据，其实以上三种数据都可以囊括至用 户行为数据的概念之中（见图 1-4）。 用户属性数据 用户行为数据 用户交易数据 图 1-4　广义上的用户行为数据 一方面，当我们把交易看成一种特殊的用户行为时，用户行为数据就 自然而然延展到用户交易数据的体系中。 过去，我们把用户交易数据看成一种商务结算而非用户行为，在以订 单为中心的逻辑下，我们看到的是一笔笔订单，关心订单总额、订单数量， 考核业绩目标完成的情况，进而指导企业内部计划预算和生产履约的过程。 但当我们将交易与用户行为关联后，在以用户为中心的逻辑下，我们 看到的将是用户的整个生命周期：用户的第一笔订单、用户的第一次复购、用户的交易频率、用户的品类选择，用户流失前的最后一笔交易。将成千 上万个用户的生命周期总价值叠加在一起，就是整个企业的订单总和。 这种先细拆再积累的方式，就像大学第一次接触“微积分”课程一样， 刷新了我们对很多原有概念的认知，处理复杂问题的方法也变得多样。本 书后面的每一个章节都是基于这个新的视角，带领读者思考如何用全新的 经营理念改善企业的业务状态。 现在“微积分”这个词对我们大多数人来说，应该是只剩下一个名称 概念了，但这不妨碍我们借用它来理解用户视角下拆分经营数据的思维方 式，就像微积分把我们带入高等数学一样，连接用户行为数据和交易数据， 并用“堆积”的用户生命周期总价值来看企业的经营价值，这种新的思维 方式也把企业带入了“高等”经营模式中。 另一方面，我们试着将用户行为数据和用户属性数据进行关联。其实， 所有的用户属性数据都可以理解为用户过去行为的沉淀。例如，年龄是父 母生育行为的沉淀、学历是过去学习行为的沉淀、婚姻状态是恋爱行为的 沉淀等。这些属性数据本来就是过往若干行为数据的结果，只是这样的行 为数据对于企业经营者来讲很难获得。不过也无须气馁，经验告诉我们， 这种非业务经营场景中积累的用户属性数据对于开展业务的价值是非常有 限的，真正能够影响业务的是在企业所提供的经营场景中沉淀的用户属性 数据，比如用户浏览商品而沉淀的品类偏好，经常访问门店而沉淀的地理 信息，填写生日蛋糕的递送日期而沉淀的生日信息，以及由支付订单的平 均金额沉淀的消费力属性等。 借助算法模型，我们还可以组合若干用户行为数据来推演用户属性数 据。简单来说，在线教育平台上的某个用户，如果对数据分析内容的浏览 时间较长，且偶尔为数据分析师进阶类的课程付费，那么我们就能根据这 种用户行为判断其可能是数据分析师职业且收入适中，具备一定的付费能 力。当然实际应用的算法不会如此简单，往往会通过对数十项行为数据建立特征工程，在建立上百个特征向量后，应用各种算法预测用户的未来行 为和某种属性。这种通过用户行为反推，得出用户属性数据的过程，就是 给用户打标签并迭代管理标签的过程。通过用户行为数据验算的用户属性 往往包括用户的品类偏好属性、渠道偏好属性、支付能力属性、促销敏感 度属性、裂变分享意愿度属性等，这些属性标签比性别、职业、教育程度、 兴趣偏好等更能指导企业下一步经营计划的开展。 通过以上方式获得的用户属性数据，不再只是用户的人口统计学特征， 而是可以描绘出更加立体的、鲜活的、有价值的用户 360°画像。过往我们 对于用户的理解，是通过抽样调查得到的，或者通过第三方的群体标签画 像得到的。现在基于用户行为数据的分析，这种画像的颗粒度可以精细到 每一个人。这为“千人千面”的精细化运营奠定了基础。 基于用户行为数据关联交易数据勾画用户的生命周期，基于用户行为 数据关联属性数据描绘用户的 360°画像，这样的用户数据应用，对于企 业是一次经营管理意识“质”的改变，这和聚焦企业自身经营的视角不同， 而是更关注用户的视角；与“内卷式”的精细化管理不同，这是真正精细 化到个体用户的思维，这是更接近生意本质的视角，可能也是真正能驱动 供给侧改革的视角。 当然这一切也必然催生对于信息系统，尤其是数据系统设计的重大改 变。

从广义角度来看，用户交易数据和用户属性数据融入用户行为数据的 数据融合一直是很多企业 IT（信息技术）和数据部门的痛点，但阻碍我们 融合数据的可能不仅是技术和标准问题，更是经营管理者的意识问题。没 有融合的数据，阻碍了我们挖掘数据背后重大的商业价值，降低了管理者 对于使用数据的动力，减少了对于维护和获得数据资产的投入，这样的恶 性循环，正是很多企业先大张旗鼓开展数据中台建设，后又渐渐偃旗息鼓 的原因。因为数据管理的思路和种种需求是分散的、割裂的，如何能指导系统层面的整合呢？这也是我们撰写本书的重要原因，希望企业不仅可以 在数据意识上转变升级，还能够掌握数据规划、采集、分析和应用四个关 键的方法体系。 通过对广义用户行为数据的意识转变和数据融合，用户行为数据基本 可以涵盖所有企业经营中与用户相关联的信息了。那让我们来简单看一下， 融合后的用户行为数据具有什么样的特点。

张溪梦

GrowingIO创始人，践行数据驱动增长20余年，在创建GrowingIO之前，曾就职于eBay和LinkedIn。在LinkedIn任美国商业分析部高级总监，亲手创建了近百人的商业数据分析和数据科学团队，支撑LinkedIn所有与营收相关业务的高速增长。2013年，Data Science Central评选其为“世界前十位前沿数据科学家”。2015年5月，回国创立GrowingIO，致力于帮助企业提升数据驱动能力，实现更好的增长。与此同时，张溪梦也是畅销书《首席增长官》的作者和《增长黑客》的译者。

邢昊

GrowingIO咨询服务副总裁，毕业于清华大学自动化系和经管学院，拥有16年的企业数字战略转型、互联网营销和信息化管理咨询经验。加入GrowingIO后，带领咨询服务团队为如家、安踏、方太、招商仁和人寿、猎聘、站酷、陌陌等上百家传统企业和互联网企业提供增长咨询服务，协助企业打造增长型组织，执行增长策略，实现数字化业务占比增加、用户生命价值增长和互联网营销效率提升等实战成果，广受业内认可与好评。

很多时候企业都是在摸索中前行，或基于自身的判断来寻找和服务用户。但对于用户是谁、用户在哪里、用户喜欢什么、用户会对什么做出反应、用户在商业场景中的什么时间做过什么等问题，很多企业都回答不出来。在当下，对用户信息的了解和应用能力，很大程度上决定了企业在新竞争“食物链”上的排名。当新的生产要素—数据，逐渐进入大家的视野后，企业家们开始隐约意识到数据可能会成为新的发展动力、用户行为数据将是激发企业创新活力的重要资源。但如何能拥有像虎鲸一样的超声波定位系统，即全方位洞察用户需求、满足用户需求的能力呢？

本书为帮助企业能在商业竞争中立于不败之地，能对用户行为数据发挥价值的过程建立系统的认知，并习得快速实践的能力，让企业高效落地数据驱动增长而撰写。本书内容包括从商业进化的角度认识用户行为数据的重要性及如何发挥其价值（第1章），用户行为数据如何通过数据驱动增长金字塔（规划、采集、分析、应用）为企业带来贡献（第2~5章），以及用户行为数据驱动增长的实战案例集（第6章）。

本书适合企业的高层管理者及有一定工作经验的产品经理、数据分析师、互联网运营人员、数据运营人员等阅读。不管您身处互联网企业，还是身处数字化转型和升级的传统企业，只要您拥有或者正在准备拥有自己的线上产品，便能通过本书找到“如何用数据驱动增长”的体系化内容。

推荐语
前　言　做“商海”中的虎鲸
致　谢
第1章　走进用户行为数据分析
1.1　用户行为数据登场 // 1
1.1.1　没有用户行为数据的困境 // 2
1.1.2　商业进化：一切向用户靠拢 // 3
1.2　什么是用户行为数据 // 7
1.2.1　狭义的用户行为数据 // 7
1.2.2　广义的用户行为数据 // 9
1.2.3　用户行为数据的“5+1”要素 // 12
1.2.4　用户行为数据的隐私与权限 // 14
1.3　用户行为数据的一个趋势和两个价值 // 15
1.3.1　一个趋势：在数字孪生世界下，用户行为数据的迁移 // 15
1.3.2　价值一：理解用户需求，指导业务升级 // 17
1.3.3　价值二：预测用户行为，引导业务创新 // 21
1.4　如何让用户行为数据发挥价值 // 26
1.4.1　用户行为数据驱动增长常见的困难 // 26
1.4.2　数据驱动增长金字塔：规划—采集—分析—应用 // 27

第2章　数据规划
2.1　数据驱动增长的“总设计师” // 29
2.1.1　数据规划常见的问题 // 29
2.1.2　如何进行数据规划 // 31
2.2　指标体系规划的三大思路 // 32
2.2.1　OSM模型 // 32
2.2.2　UJM模型 // 36
2.2.3　场景化 // 40
2.3　指标分级 // 42
2.4　数据看板 // 44
2.4.1　数据看板的意义 // 44
2.4.2　数据看板的分类：战略看板、分析看板、实时看板 // 46
2.4.3　如何搭建数据看板 // 51
2.4.4　搭建数据看板常见的六大问题 // 58

第3章　数据采集
3.1　数据采集常见的问题 // 62
3.2　用户行为数据采集方法：埋点和无埋点 // 64
3.2.1　埋点和无埋点的定义 // 64
3.2.2　埋点采集和无埋点采集的适用场景 // 68
3.2.3　不同场景如何选择采集方式：以App注册为例 // 70
3.2.4　客户端埋点或服务端埋点 // 72
3.3　如何高效落地数据采集 // 74
3.3.1　埋点方案四要素 // 74
3.3.2　埋点的团队协作流程 // 80
3.3.3　数据指标管理 // 84
3.4　数据集成，搭建客户数据平台（CDP） // 87
3.4.1　从用户行为数据到客户数据平台 // 88
3.4.2　客户数据平台的三种类型 // 91
3.4.3　实现客户数据平台的四大原则 // 93
3.4.4　案例：电商如何搭建客户数据平台 // 97

第4章　数据分析
4.1　业务导向的数据分析整体思路 // 104
4.2　用户流转地图 // 106
4.2.1　全域—全局—局部 // 106
4.2.2　绘制用户流转地图 // 107
4.2.3　案例：B2B企业官网的用户流转地图 // 112
4.3　十大数据分析模型 // 116
4.3.1　事件分析 // 116
4.3.2　漏斗分析 // 118
4.3.3　热图分析 // 119
4.3.4　留存分析 // 122
4.3.5　留存魔法师 // 123
4.3.6　事件流分析 // 125
4.3.7　用户分群分析 // 127
4.3.8　用户细查 // 129
4.3.9　分布分析 // 130
4.3.10　归因分析 // 131
4.4　渠道分析 // 133
4.4.1　找到最优投放渠道 // 133
4.4.2　打造黄金落地页 // 138
4.5　运营分析 // 144
4.5.1　被低估的搜索框 // 144
4.5.2　活动迭代分析 // 148
4.6　产品健康度分析 // 151
4.6.1　产品健康度是“用户体验的体检” // 151
4.6.2　关键行为矩阵与功能留存矩阵 // 153
4.6.3　案例：内容型App的产品健康度分析 // 155

第5章　数据应用
5.1　数据应用无处不在 // 159
5.2　A/B测试 // 160
5.2.1　广泛应用的A/B 测试 // 160
5.2.2　七个步骤建立A/B测试的闭环 // 162
5.2.3　案例：A/B测试提升影视会员产品的付费转化率 // 172
5.3　产品迭代 // 174
5.3.1　产品迭代全流程 // 174
5.3.2　六大要素量化、评估产品迭代效果 // 177
5.3.3　案例：数据驱动App首页迭代 // 181
5.4　精细化运营 // 189
5.4.1　精细化运营的关键 // 189
5.4.2　用户标签与用户画像 // 193
5.4.3　用户分层运营 // 198
5.4.4　案例：盟大集团（产业互联网）如何进行用户全生命周期运营 // 206
5.5　机器学习 // 212
5.5.1　机器学习与数据挖掘 // 212
5.5.2　用户行为数据提升推荐算法效率 // 215
5.5.3　案例：预测客户购买行为 // 220

第6章　用户行为数据驱动增长实战
6.1　欧冶云商：数据驱动B2B增长 // 226
6.1.1　B2B增长的挑战和机遇 // 226
6.1.2　探索产品的核心价值主张 // 228
6.1.3　优化用户转化路径 // 232
6.1.4　精细化的会员运营体系 // 242
6.2　推荐获客量增长500%：好好住的增长团队实践 // 247
6.2.1　为什么好好住要搭建增长团队 // 247
6.2.2　从0到1搭建增长团队的三个步骤 // 248
6.2.3　闭环式的工作流程 // 251
6.2.4　好好住的推送迭代 // 256
6.3　月活跃用户数从0到8万：地产行业如何打造小程序私域流量池 // 259
6.3.1　“公盘私客”发展过程中的问题与机遇 // 260
6.3.2　创新产品“中原C管家”的思考和孵化 // 261
6.3.3　0元推广费用，“中原C管家”的增长效果 // 265
6.3.4　用户行为数据赋能经纪人营销 // 268
6.4　酷开网络：增长无处不在，OTT领航家庭经济的数字化转型 // 273
6.4.1　酷开网络的增长框架 // 273
6.4.2　明道：洞察家庭用户与精细化场景流程 // 276
6.4.3　取势：指标管理体系建设，挖掘精细化流量的价值 // 277
6.4.4　优术：分析引擎体系建设，提升转化率 // 282
6.4.5　践行：关注用户全生命周期，用增长实验实现流量再生 // 287
6.4.6　案例：洞察流量—大转盘抽奖活动的用户旅程 // 287
后记 // 295